可视化学习笔记11-pytorch-GradCAM可视化自己的网络

已于 2024-04-08 15:52:22 修改
阅读量3.2k 收藏 38
点赞数 5
分类专栏： 算法实战 文章标签： pytorch 学习 网络
于 2022-09-01 21:41:12 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/LZL2020LZL/article/details/126651788
版权

对视觉类论文详解（免费）感兴趣的同学，可以关注微信公众号 李卓璐随手记，将会不定期发布，注意查收哦~

续可视化笔记2-pytorch 可视化卷积网络中间特征层的基础上使用CAM方法可视化网络对待测对象关注的位置。

1.定义GradCAM类

注意：代码中需要改的3个地方已经用注释标清，大家使用时注意修改。

class GradCAM(nn.Module):
    def __init__(self):
        super(GradCAM, self).__init__()
        # 获取模型的特征提取层
        self.feature = nn.Sequential(OrderedDi
了解本专栏 订阅专栏 解锁全文 超级会员免费看
李卓璐
关注
  • 5
    点赞
  • 踩
  • 38
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
订阅专栏
【源代码文件】pytorch-grad-cam源代码阅读和调试
01-27
pytorch-grad-cam源代码阅读和调试
在 ResNet50 中使用 Grad-CAM
04-09
Grad-CAM（Gradient-weighted Class Activation Mapping）是一种可视化网络中哪些区域对分类结果有更大的贡献的方法，它能够在图像分类任务中帮助我们理解神经网络是如何作出决策的。Grad-CAM 通过利用深度卷积神经网络的特征图生成类激活映射(CAM)。 ResNet50 是一种 50 层深度的残差网络，常常被用于图像识别和分类任务中。在 ResNet50 中使用 Grad-CAM 可以可视化模型预测时所依据的特征区域，这有助于我们理解模型为何会做出某种判断，并能够指导模型进行进一步的优化。 Grad-CAM 的计算过程可以简述为以下几步： 定义网络，加载已经训练好的模型，并获取目标层的输出； 计算目标类别对目标层输出的梯度，求取梯度的平均值得到权重系数； 将权重系数与目标层输出相乘得到每个通道的权值； 对权值进行加权求和，并进行 ReLU 操作得到激活的权重值； 将激活的权重值与目标层的输出进行加权平均，生成类激活映射。 使用 Grad-CAM 可以获得网络中每个层的激活映射，进而可视化出哪些区域对于分类结果更为重要。
Pytorch实现Grad-CAM
weixin_41693877的博客
08-11 6839
因为有一个分类模型始终得不到比较好的结果，所以查阅资料发现可以使用类激活图（CAM）的方式来看看模型究竟学到了什么，是不是重点关注我们希望的区域，所以特此记录一下学习过程。 简介 CAM全称是Class Activation Map，即类激活图。可以理解为模型某次预测中，对哪个区域的响应最大，可以说这个区域很大程度上决定了模型这次预测结果。以猫狗大战为例，如下面这张图 一个任意的分类网络，输入一个既包含着一只狗，又包含着一只猫的猫狗合影图片，它会输出一个2维度的概率向量，分别对应着图片分类为猫和图片分类
Pytorch使用Grad-CAM绘制热力图
weixin_44040169的博客
11-24 5133
使用grad_cam对不同预测目标的图像做activate图。需要模型feature的最后一层，模型训练权重。使用的是自己训练的MobileNetV2。原理与代码学习自B站。
探秘Grad-CAM: 可视化深度学习决策的利器
gitblog_00031的博客
03-25 628
探秘Grad-CAM: 可视化深度学习决策的利器 项目地址:https://gitcode.com/ramprs/grad-cam 项目简介 在机器学习尤其是深度学习领域，理解模型如何做出决策是一项挑战。Grad-CAM（Gradient-weighted Class Activation Mapping）正是这样一种可视化工具，它可以帮助我们揭示神经网络在图像识别中的关注区域，让我们可以直观地...
Pytorch可视化模型任意中间层的类激活热力图(Grad-CAM)
热门推荐
PanYHHH的博客
01-29 1万+
本文中绘制类激活热力图的基本方法参考自：https://blog.csdn.net/sinat_37532065/article/details/103362517 在该方法的基础上，本文添加了如下功能：根据网络层的名字，可视化模型指定层的类激活热力图。 本文使用的backbone network为Resnet50，实际运行时需要根据使用的网络来修改以下两个参数： 1. "layers_names"：包含模型所有网络层名的列表，层名顺序与模型结构一致。 2. "out_layer_name"：指定的
Pytorch 使用Grad-CAM可视化网络模型的特征图
lwf1881的博客
03-23 1万+
介绍 虽然说咱也不知道这个Grad-CAM的数学理论是如何推导的，但是在看论文的时候发现很多论文里面都用了Grad-CAM来可视化模型的特征图，用来显示网络对ROI区域的捕捉。想详细了解的话看一下B站大佬噼里啪啦的讲解视频。 推荐代码 code:https://github.com/jacobgil/pytorch-grad-cam 安装pytorch-grad-cam ：pip install grad-cam 官方给的例子： 自己的尝试 我试着使用这个仓库来可视化我的vit模型，做的是一个五分类的
PyTorch学习笔记（七）：PyTorch可视化
11-10
资源PyTorch学习笔记（七）：PyTorch可视化知识分享
pytorch_grad_cam——pytorch下的模型特征(Class Activation Mapping, CAM)可视化库
a486259的博客
04-01 1万+
深度学习是一个"黑盒"系统。它通过“end-to-end”的方式来工作，中间过程是不可知的，通过中间特征可视化可以对模型的数据进行一定的解释。最早的特征可视化是通过在模型最后一个conv层的Global average pooling实现，并将分类层设置为单个全连接层。通过Global average pooling的值来确定各个feature map的权重，然后累加到一起实现可视化。后来有衍生出了一系列，基于特定class label反向传播获取梯度的可视化方法，Grad-CAM。更为详细的发展路线可以参
YOLOv5目标检测之Grad-CAM热力图可视化
05-18
PyTorch版的YOLOv5是一个非常流行的基于深度学习的目标检测器。本课程使用Grad-CAM热力图可视化方法对YOLOv5进行热力图可视化，可直观展示图像中哪些区域对类别分类贡献程度大。Grad-CAM是一种CNN（卷积神经网络）可解释性的经典方法，与CAM（类激活图）相比，不需要对模型进行改动就可以生成热力图（heatmap），非常方便和灵活。本课程在YOLOv5 v6.1版本代码的基础上增加Grad-CAM热力图可视化方法，并演示针对自己的数据集训练和进行Grad-CAM热力图可视化过程，并讲解原代码针对Grad-CAM热力图可视化的修改部分。本课程分为原理篇、实战篇、代码讲解篇。·        原理篇包括：Grad-CAM热力图可视化原理。·        实战篇包括：PyTorch环境安装、YOLOv5项目安装、准备自己的数据集、修改配置文件、训练自己的数据集、Grad-CAM热力图可视化。 ·        代码讲解篇包括：针对Grad-CAM热力图可视化具体修改的代码讲解。
使用Pytorch实现Grad-CAM并绘制热力图
weixin_42396719的博客
12-08 2643
就直接从官方的torch vision这个库当中导入一些我们常用的model。比如说我这里的例子是采用的mobile net v3 large这个模型。它就会自动的去下载torch官方在imagenet上预训练好的模型权重。我们这里采用的模型呢是在image net 1k上预训练好的模型。接着这里的target layers也要根据你自己的模型去设置。首先呢我们这里需要指定一下我们的target layers。紧接着呢我们还需要去指定一下我们所感兴趣的这个类别。
分类任务使用Pytorch实现Grad-CAM绘制热力图
Linchpin_的博客
03-27 3186
给大家打个比方，下图是我输出模型结构的一小块，此时如果我设定target_layers=[model.patch_embed_a]，那它就相当于被我设置成一个元组，但这样是无法应用在这个代码上的，我们需要继续细化到某一层，比如改成target_layers=[model.patch_embed_a.norm]这样就可以成功绘制热力图。对于深度学习网络，在我们指定数据集类别的情况下，Grad-CAM能够绘制出相应的热力图，让我们能够非常直观的看出网络关注的主要区域与特征是什么。
flashtorch - PyTorch中神经网络的可视化工具包-python
06-18
在PyTorch中实现的可视化工具包，用于检查神经网络在图像识别任务（特征可视化）中学习的内容。 FlashTorch 一个 Python 可视化工具包，使用 PyTorch 构建，用于 PyTorch 中的神经网络。 神经网络通常被描述为“黑匣子”。 对神经网络如何进行预测缺乏了解会导致模型不可预测/有偏见，从而对社会造成真正的伤害，并失去对人工智能辅助系统的信任。 特征可视化是一个研究领域，旨在了解神经网络如何感知图像。 但是，实施此类技术通常很复杂。 FlashTorch 就是为了解决这个问题而诞生的！ 您可以在模型上应用特征可视化技术（例如显着图和激活最大化），只需几行代码。 它与 torchvision 附带的预训练模型兼容，并与 PyTorch 中构建的其他自定义模型无缝集成。 感兴趣的？ 看看下面 FlashTorch 的 3 分钟快速介绍/演示！ 想试试？ 前往 Colab 上的示例笔记本！ 显着图： 激活最大化： 概述 安装快速入门 使用 FlashTorch 开发 FlashTorch 如何贡献资源 引用作者 安装 如果您是第一次安装 Fla
Udacity-ML-Pytorch-Project1
02-19
数据科学家纳米度 监督学习 项目：为CharityML寻找捐助者 安装 该项目需要安装Python 3.x和以下Python库： 您还需要安装软件才能运行和执行 我们建议学生安装 ，它是预包装的Python发行版，其中包含该项目的所有必需库和软件。 代码 模板代码在finding_donors.ipynb笔记本文件中提供。 您还需要使用随附的visuals.py Python文件和census.csv数据集文件来完成工作。 虽然已经实施了一些代码以使您入门，但是当要求成功完成项目时，您将需要实现其他功能。 请注意， visuals.py包含的代码是visuals.py即用的，并不旨在供学生使用。 如果您对如何在笔记本中创建可视化效果感兴趣，请随时浏览此Python文件。 跑 在终端或命令窗口中，导航到顶级项目目录finding_donors/ （包含此自述文件）并运行以下命令之一： i
深度学习v2-pytorch
02-14
深度学习（PyTorch） 该存储库包含与Udacity的有关的材料。 它由一堆用于各种深度学习主题的教程笔记本组成。 在大多数情况下，笔记本会引导您实现诸如卷积网络，循环网络和GAN等模型。 还涉及其他主题，例如权重初始化和批次归一化。 也有一些笔记本用作Nanodegree程序的项目。 在程序本身中，项目由真人（Udacity审阅者）审阅，但是此处也提供了起始代码。 目录 讲解 神经网络导论 ：了解如何实现梯度下降并将其应用于学生录取数据中的预测模式。 ： 您建立情感分析模型，预测某些文本是肯定的还是否定的。 ：了解如何在PyTorch中构建神经网络，以及如何将预训练的网络用于最新的图像分类器。 卷积神经网络 ：可视化组成CNN的图层的输出。 了解如何定义和训练CNN以对进行分类， 是在机器和深度学习领域中臭名昭著的手写数字数据库。 此外，定义并训练CNN以对图像进行分类。
matlab精度检验代码-chapter7-Learning-Cascaded-pytorch:实践笔记
05-22
作者在docker中使用Crayon进行可视化训练，我尝试使用tensorboard进行可视化训练。 我还尝试形象化网络结构。 我还逐步调试了培训和测试过程。 是的，我学到了很多东西。 step1.Network 第2步。 安装 对于特定的安装...
Machine Learning 和 Deep Learning 的学习笔记(基于pytorch)，.zip
最新发布
04-18
机器学习算法如决策树，易于理解和解释，可以可视化分析，容易提取出规则。 一些机器学习模型，如随机森林或提升树，可以有效地解决过拟合问题。 缺点： 机器学习模型在处理某些特定问题时可能会出现过拟合或欠拟合...
pytoch加载模型最后一层（grad-cam）
weixin_47193259的博客
11-18 1201
grad-cam加载模型
PyTorch 实现 GradCAM
deephub
08-01 5485
Grad-CAM 概述：给定图像和感兴趣的类别作为输入，我们通过模型的 CNN 部分前向传播图像，然后通过特定于任务的计算获得该类别的原始分数。 除了期望的类别（虎），所有类别的梯度都设置为零，该类别设置为 1。然后将该信号反向传播到卷积特征图，我们将其结合起来计算粗略的 Grad-CAM 定位（ 蓝色热图）它表示模型在做出特定决策时必须查看的位置。 最后，我们将热图与反向传播逐点相乘，以获得高分辨率和特定于概念的引导式 Grad-CAM 可视化。 在本文中，我们将学习如何在 PyTorch 中绘制 Gr.
生成CNN回归的GradCam可视化pytorch代码，带详细注释
05-28
好的，以下是基于CNN回归模型的GradCam可视化的PyTorch代码，带有详细的注释。 ```python import torch import torch.nn.functional as F from torchvision import models class GradCam: def __init__(self, model, target_layer): self.model = model self.target_layer = target_layer self.feature_maps = None self.gradient = None self.model.eval() # 设置模型为评估模式 def forward(self, x): """ 前向传播，获取目标层的特征图 """ for name, module in self.model.named_children(): x = module(x) if name == self.target_layer: self.feature_maps = x # 保存目标层的特征图 break def backward(self, index): """ 反向传播，计算目标层的梯度 """ one_hot = torch.zeros_like(self.model.output) # 创建一个形状和模型输出一样的全0张量 one_hot[0][index] = 1 # 将指定索引处的值设置为1 self.model.zero_grad() # 将模型梯度清零 self.model.output.backward(one_hot, retain_graph=True) # 反向传播，计算梯度 self.gradient = self.target_layer.grad.detach().cpu().numpy()[0] # 保存目标层的梯度 def get_heatmap(self): """ 获取热力图 """ weights = F.adaptive_avg_pool2d(self.gradient, 1) # 对梯度进行自适应平均池化 heatmap = (self.feature_maps * weights).sum(dim=1, keepdim=True) # 计算特征图和权重的加权和 heatmap = F.relu(heatmap) # 对热力图进行ReLU激活 heatmap /= torch.max(heatmap) # 归一化 return heatmap.squeeze() # 去除维度为1的维度，返回热力图 if __name__ == '__main__': # 定义一个简单的回归模型 class RegressionModel(torch.nn.Module): def __init__(self): super(RegressionModel, self).__init__() self.conv1 = torch.nn.Conv2d(3, 16, kernel_size=3, padding=1) self.conv2 = torch.nn.Conv2d(16, 32, kernel_size=3, padding=1) self.fc1 = torch.nn.Linear(32 * 8 * 8, 512) self.fc2 = torch.nn.Linear(512, 1) def forward(self, x): x = F.relu(self.conv1(x)) x = F.max_pool2d(x, 2) x = F.relu(self.conv2(x)) x = F.max_pool2d(x, 2) x = x.view(-1, 32 * 8 * 8) x = F.relu(self.fc1(x)) x = self.fc2(x) return x # 加载预训练的模型 model = RegressionModel() # 设置目标层 target_layer = 'conv2' # 创建GradCam实例 grad_cam = GradCam(model, target_layer) # 获取一张测试图片 img = torch.rand(1, 3, 32, 32) # 前向传播 grad_cam.forward(img) # 反向传播 grad_cam.backward(index=0) # 假设回归结果为0 # 获取热力图 heatmap = grad_cam.get_heatmap() ``` 注释中已经说明了每一步的作用，这里简单介绍一下GradCam的实现流程： 1. 前向传播，获取目标层的特征图。 2. 反向传播，计算目标层的梯度。 3. 对梯度进行自适应平均池化，得到特征图上每个通道的权重。 4. 计算特征图和权重的加权和，得到热力图。 5. 对热力图进行ReLU激活和归一化处理，得到最终的热力图。 希望能帮到你，有问题可以继续提问哦！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值